买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种基于ROI和分裂融合策略的弱监督肝脏肿瘤分割方法，主要解决现有弱监督方法对目标定位不够完整准确的问题。其实现方案为：对输入图像进行划分，得到训练集和测试集；构建基于ROI和分裂融合策略的像素级标签生成网络W；用训练集对网络W进行迭代训练，得到初步训练完成的网络Wi，再将训练集重新输入到初步训练完成的网络Wi中进行迭代训练得到最终训练好的网络W′；利用W′生成像素级的标签训练已有的语义分割网络G，得到训练好的分割模型G'；将测试集的图像送入G'进行测试得到分割结果。本发明在使用边框级弱标注避免手动获得大量像素级标签的情况下取得了良好性能，可用于辅助医疗的诊断，肿瘤筛查。

主权项：1.基于ROI和分裂融合策略的弱监督肝脏肿瘤分割方法，其特征在于，包括如下步骤：1获取经过审查的肝脏肿瘤CT数据集，将其80％图像作为训练集，剩余20％图像作为测试集，并对该训练集的CT肝脏肿瘤图像进行框级别的弱标注，标注的矩形框记作真值框GTBox，得到了标注后训练集CT肝脏图像的框级标注文件集；2构建基于感兴趣区域ROI和分裂融合策略的像素级标签生成网络W：2a选用一个基于ResNet50的特征提取主干网络，该网络的输出为4个不同尺度的特征图，对4个不同尺度特征图按尺度由小到大记为P1，P2，P3，P4；2b在P1，P2，P3，P4特征图的基础上建立以框为感兴趣区域ROI的区域建议网络RPN的初始框anchor生成器，用于得到不同尺度的初始框anchor；2c根据不同尺度的初始框anchor和P1，P2，P3，P4四个特征图构造区域建议网络RPN的建议框proposal生成器，根据该建议框proposal生成器输出的初始框anchor的预测回归参数计算初始框anchor的回归损失Lreg，再用初始框anchor的预测回归参数对初始框anchor进行空间坐标调整得到建议框proposal；2d将2c生成的建议框proposal划分为正负样本，用特征层计算公式Layer确定划分为正负样本的建议框proposal所在的特征层，得到划分为正负样本的建议框proposal的特征；2e构建由分类器A和分类器B、C组成的分裂融合模块，其中A,B,C的主体均由2层卷积构成，第一个卷积层的输入为已划分为正负样本的建议框proposal的特征，分类器A,B,C各自第二个卷积层的输出分别为Sa、Sb、Sc；对Sa，Sb，Sc进行全局平均池化得到Pa，Pb，PC作为分类器将建议框proposal预测为正样本的概率，并计算三个分类器各自的分类损失lossa、lossb、lossc；2f对A，B分类器的最后卷积层的输出Sa，Sb分别进行Softmax操作进行归一化，得到归一化的结果为MA，MB，并计算Sa与Sb之间的分裂损失losssplit： 其中，和分别代表MAMB在位置i,j处的值，β是分裂强度系数，Sh和Sw分别是特征图的高和宽；2g计算Sa与Sb之间融合损失lossinter：取Sa和Sb逐个位置的最小值定义为Sinter，并对Sinter进行平均池化得到池化结果Pinter，利用池化结果Pinter计算Sa与Sb之间的融合损失lossinter： i的取值为1～M，M为建议框proposal的个数；2h将上述特征提取主干网络作为第一部分，区域建议网络RPN的初始框anchor生成器作为第二部分，区域建议网络RPN的建议框proposal生成器作为第三部分，分类器A,B,C组成的分裂融合模块作为第四部分，对这四部分依次级联组成基于感兴趣区域ROI和分裂融合策略的像素级标签生成网络W，并设该网络的总损失loss为：loss＝Lreg+lossa+lossb+lossc+losssplit+lossinter；3利用随机梯度下降SGD算法对基于感兴趣区域ROI和分裂融合策略的像素级标签生成网络W进行迭代训练，得到训练好的基于感兴趣区域ROI和分裂融合策略的像素级标签生成网络W′；4生成每张图片的像素级别标签：4a将训练集每张图片分别送入训练好的基于感兴趣区域ROI和分裂融合策略的像素级标签生成网络W′，先执行2a得到图片的特征图，再根据每张图片真值框GTBox的坐标从特征图上提取真值框GTBox的特征；4b将每张照片的每个真值框GTBox的特征依次送入分类器A，B，C中，通过合并策略得到三个分类器的合并图Umap作为真值框中肿瘤概率分布的热量图；4c将4a中得到的真值框GTBox的特征图通过聚类操作，再将聚类结果结合4b中的合并图Umap得到像素级肿瘤标签；5利用步骤4生成的像素级肿瘤标签和训练图像，结合随机梯度下降SGD算法去训练现有的语义分割网络DeepLabV3，得到训练好的语义分割网络DeepLabv3；6将测试集的图像输入到训练好的DeepLabV3网络进行分割，得到每张图片与原图片大小相同的二维数组，该二维数组的每个像素位置的值代表原图像在该位置处像素为肿瘤的概率，并将其与设定的阈值0.5进行比较：如果概率大于0.5，则预测原图像在该处为肿瘤，如果概率小于0.5，则预测原图像在该处为背景。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于ROI和分裂融合策略的弱监督肝脏肿瘤分割方法